麥肯錫：人工智慧之戰已經打響 要想脫穎而出需關注這六大核心理念

對當地醫院的放射科覺得可憐?沒錯，他們也許有一個很好的MRI機器和強大的軟體來生成圖像。但那是機器陷入困境的地方。放射科醫師必須找到並閱讀患者的檔案，檢查圖像才能做出決定。如果人工智慧(AI)能夠通過啟用實時和更準確的診斷或指導，超出人眼所能看到的東西，那這一過程會怎麼樣呢?

得益於過去幾年的技術進步，製造商已經接近提供這種領先的MRI解決方案。事實上，他們正在探索幾乎涵蓋從工業到公共部門的所有主要行業的新AI應用。隨著更好的演算法和更多的數據存儲，計算機的計算錯誤率現在常常與人類的圖像識別和其他一些認知功能類似或更好。硬體性能也大幅提升，機器可以處理這種前所未有的數據量。這是AI模型精度提高的主要推動力。

在人工智慧中，深度學習(DL)代表了未開發潛力最大的領域。這項技術依賴於複雜的神經網路，它使用各種架構來處理信息，這些架構由層和節點組成，這些架構可以近似大腦中神經元的功能。網路中的每一組節點都執行不同的模式分析，從而使DL能夠提供比早期AI工具更為複雜的見解。隨著這種複雜性的提高，對尖端硬體和軟體的需求也越來越大。

對AI的巨大潛力越是了解，領先的高科技公司就已經在早期採取行動來贏得這個市場。但這個行業還處於萌芽階段，尚未出現明確的成功秘訣。那麼，企業如何獲得價值並看到他們巨大的AI投資回報呢?

我們的研究以及與人工智慧最終客戶的互動表明，一旦塵埃落定，六條原則就會成為現實。首先，價值捕獲最初將限制在消費領域，企業將通過關注行業「細分領域」 —— 特定行業內的特定用例來實現最大價值。我們對技術堆棧的分析也表明，機會會因層次而有所不同，而且最成功的公司通常會通過合作或收購來追求端到端的解決方案。對於某些硬體公司來說，在經歷了多年對軟體傾向的投資者的興趣減退之後，人工智慧可能代表著財富的逆轉，再加上大量商品化降低了利潤率。我們相信人工智慧的出現帶來了重大機遇，在雲和邊緣解決方案產生了強大的終端客戶需求。但我們最重要的一點是公司需要迅速採取行動。那些現在大舉押注並徹底改變傳統戰略的人將會成為贏家。

AI市場必不可少的細節

儘管大肆宣傳人工智慧，但即使是最無畏的分析師和投資者，市場也可能會受到驚嚇。業界沒有出現技術堆棧的標準定義，因此很難理解擁擠的競爭領域。在數百家爭奪市場份額的公司中，誰提供了什麼?

為了讓看似混亂的供應環境更加清晰，我們將機器學習(ML)和DL技術堆棧分為九層，包括服務，培訓，平台，介面和硬體(圖1)。一些公司正在進行多層次的競爭，而其他公司則只關注一兩個。正如我們稍後會討論的那樣，那些將注意力集中到特定層次的公司可能會發現自己處於劣勢。

邊緣和雲解決方案

傳統上，大多數AI應用程序都駐留在雲端 —— 一個遠程伺服器網路 —— 用於培訓和推斷。然而，對於微秒級的延遲是關鍵任務的應用程序來說，邊緣的推斷將變得越來越常見。例如，對於自動駕駛汽車，制動或加速的決定必須發生在接近零的等待時間，從而在邊緣推斷最佳選擇。邊緣計算也將成為隱私問題和數據帶寬最為重要的應用程序的首選，例如啟用了AI的CT掃描診斷。邊緣計算的發展將為技術堆棧中的所有參與者創造新的機會，尤其是硬體開發人員。

我們關於AI未來的核心理念

AI被定位為顛覆我們的世界。麥肯錫全球研究院估計，自動化和人工智慧的快速發展將對我們的工作方式和生產力產生重大影響。為了在這個不斷增長的市場中獲得價值，公司正在嘗試不同的策略，技術和機會，所有這些都需要大量投資。雖然很多不確定性仍然存在，但但關注以下幾點的公司將更有可能勝出。

1.價值捕獲最初將在消費部門受到限制

第一批消費者AI產品具有共同特點：它們增強了產品，但並未直接對底線做出貢獻。其中大部分來自大型知名科技公司，其中包括一些在線翻譯和照片標記服務，或手機上的數字語音助理。這種產品增強功能絕對會吸引消費者，例如，他們可能會增加某人在網站上花費的時間，但這不會直接提高銷售額或收入。如果小公司創造類似的產品，他們通常會發現銷售有限或根本不存在，因為消費者傾向於免費解決方案。大型公司還可以訪問更大量的消費者數據 ——堪稱AI的命脈 —— 這使他們能夠為消費者開發更準確、更具洞察力的AI解決方案。隨著大型公司的免費產品贏得大部分市場份額，在即時消費領域，AI價值捕獲將受到限制。

然而，未來可能並非如此，因為更新的收費產品正在進入市場，包括家庭助理。隨著汽車製造商和其他公司推出新產品，下一輪消費者AI將會看到更多創新。以自動駕駛汽車為例，一些消費者可能滿足於AI能夠實現自動制動的車輛，但其他人則需要更多功能，例如完全自駕車功能，即使他們必須支付額外費用。

2.企業優勝者將專註於最有前景行業的細分領域

我們對麥肯錫全球研究院數據的早期分析，結合專家訪談和研究，揭示了主要行業中近600種不同AI用途。其中，大約400個需要某個級別的ML，300個需要DL功能。許多最有趣的AI應用程序仍處於試驗階段，尚未大規模部署。以下是一些AI應用程序，由於其強大的視覺感知和處理能力，未來幾年可能會出現高需求：

政府可以使用AI來掃描視頻並識別公共場所的可疑活動，或者應用AI演算法來檢測潛在的網路攻擊。包括無人機在內的許多軍事應用也依賴人工智慧。除了安全性之外，人工智慧在交通控制中發揮著重要作用，包括感測器和攝像頭，它們允許光信號根據道路上的汽車數量改變其時間和順序。

與公共部門一樣，銀行也開始使用人工智慧來檢測可疑行為，例如提示洗錢的模式。人工智慧演算法還可以幫助處理交易和做出決策，通常比人類員工更準確。例如，人工智慧演算法可能會揭示某些被忽視的特徵，而這些特徵會增加特定交易欺詐的可能性。

在零售業內，人工智慧已經在幫助進行盜竊檢測，並可能進一步增強自動結賬功能。一些零售商正在試行使用攝像頭和感測器來檢測購物者何時從商店取貨或退貨的系統。客戶離開商店後，他們的賬戶將收取總額。其他零售商使用店內視頻來優化銷售人員的覆蓋面。如果相機在顯示屏之前檢測到購物者徘徊，系統會通知相關人員提供幫助。未來，我們可以看到這方面的更多改進，包括通過查看各種特徵(面部表情(作為情緒的指示符)，服裝和同伴數量)來識別具有高購買潛力的顧客的AI系統。然後，他們可以向店員提醒店內這些顧客的位置。

在公司決定哪些機會可以追求的時候，面臨著艱巨的任務，但他們可以通過結構化的方法縮小選擇範圍。 第一步涉及選擇行業焦點。 確實，公司的專長和能力會影響這一決定，但參與者還應該考慮行業特徵，包括行業的規模。 同樣重要的是一個行業內部可能出現的混亂情況，我們通過查看AI使用案例的數量，啟動股權融資以及AI的總體經濟影響來進行評估，這種評估被定義為解決方案降低成本，提高生產力的程度 或者在各種應用的回顧性分析中以其他方式受益。 經濟效益越好，客戶支付AI解決方案的可能性就越大。 圖表2顯示了我們為17個行業編製的AI相關指標數據。

正如AI價值因行業而異，成熟度也一樣。 例如，工業部門可能從AI中獲益匪淺，但成員公司並沒有像汽車行業的同行那樣願意接受這些解決方案。 對於AI產品和服務的生產商來說，這意味著價值捕獲將是錯開的，一些行業最初產生的回報高於其他行業。

當我們考慮與成熟度相關的價值時，很明顯幾個行業現在為人工智慧提供了最強大的機會：公共部門，銀行，零售和汽車(圖表3)。 儘管在政府削減預算的時代，公共部門的突出地位似乎令人驚訝，但許多官員認為人工智慧在提高效率和功效方面的價值，並願意提供資金。 當他們計劃人工智慧策略時，供應商應該將投資集中在願意成為第一個多米諾骨牌的AI解決方案的潛在消費者身上。

行業細分。一旦公司選擇了一個行業或幾個行業作為他們的重點，他們就必須進一步選擇特定的用例 —— 我們稱之為行業細分—— 他們將集中注意力。買家對AI沒有興趣，只是因為它是一項令人興奮的新技術，相反，他們希望AI通過解決特定問題，節省成本或增加銷售量，產生穩固的投資回報(ROI)。例如，希望減少機器停機時間的製造工廠不會簡單地尋找在工業領域眾所周知的AI供應商;它將改為尋求具有成熟的預測性維護專業知識和解決方案的公司。如果一個AI提供商試圖提供一個水平解決方案 —— 一個客戶可以在各種不相關的用例中應用的解決方案 —— 價值主張就不那麼引人注目。最終客戶會質疑解決方案的投資回報率是否值得其更大的花費，特別是如果它適用於他們認為不重要或不相關的幾個用例。

3.公司必須擁有端到端解決方案才能贏得人工智慧

為了贏得人工智慧，企業必須提供或協調跨9個技術層面的端到端解決方案，因為許多企業客戶難以實施零散的解決方案。例如，一家醫院更願意購買一台包含MRI設備和人工智慧軟體的診斷系統，而不是單獨獲取這些組件，然後嘗試使它們一起工作。除了提高銷售額之外，採用端到端解決方案的供應商可以在客戶中佔據戰略立足點並加速採用。例如，英偉達將Drive PX平台作為一個模塊提供，而不僅僅是一個晶元，為自動駕駛提供端到端的解決方案。該平台結合了處理器，軟體，攝像頭，感測器和其他組件，以提供汽車周圍環境的實時圖像。它還可以在地圖上識別其位置，並為車輛規劃安全路線。

大型硬體和軟體公司往往通過收購其他公司來擴大他們的人工智慧投資組合。雖然交易在各行各業都很常見，但由於需要端到端的解決方案，因此在AI內更為普遍。自2012年以來，已有250多家涉及擁有人工智慧專業知識的私人公司被收購，其中37家發生於2017年第一季度。為了與這些巨頭競爭，許多初創企業正在開展合作，將自己定位為人工智慧解決方案的系統集成商。

4.在AI技術堆棧中，大部分價值將來自解決方案或硬體

在AI技術堆棧中，我們對未來趨勢的分析表明，每一層都將直接產生不同數量的利潤或價值。大部分價值將集中在兩個領域(圖表4)。首先，有些令人驚訝的是，考慮到行業趨勢，許多最佳機會將來自硬體(頭節點，推斷加速器和培訓加速器)。我們共同估計，這些組件將佔AI供應商總價值的40%至50%。

儘管硬體已經在許多其他領域商品化，但這種趨勢不會很快達到人工智慧，因為針對每個細分行業問題進行優化的硬體，將在考慮總體擁有成本時提供更高的性能，而不是普通用途的商用硬體中央處理單元(CPU)。例如，針對卷積神經網路進行優化的加速器最適合圖像識別，因此將由醫療設備製造商選擇。但是針對長短期記憶網路優化的加速器，更適合於語音識別和語言翻譯，因此會吸引複雜的虛擬家庭助理的製造商。由於每個用例需求略有不同，每個用例都需要部分定製的硬體。

在另一種與標準不同的模式中，軟體(定義為平台和界面層)不可能成為AI唯一的長期差異化因素。從DL加速器的出現可以看出，硬體本身或與軟體相結合可能會顯著提高性能，例如降低延遲或功耗。在這種環境下，參與者需要對硬體選擇進行選擇。

AI解決方案的另外40%至50%的價值將來自服務，其中包括解決方案和用例。系統集成商通常可以直接訪問客戶，通過將解決方案集中在所有層的堆棧上，可以獲得大部分收益。

在不久的將來，AI堆棧的其他領域將不會產生太多利潤，儘管它們可能會產生間接價值，從而推動DL生態系統的增長。例如，數據和方法(培訓的兩個要素)現在只能提供典型AI供應商高達10%的價值。出現這種模式是因為大多數數據來自AI解決方案的最終用戶，而不是第三方提供商。數據市場最終可能會出現在消費者和企業領域，然而，使得這一層的堆棧在未來更具吸引力。

5.特定的硬體架構將成為雲計算和邊緣計算的關鍵區別

隨著人工智慧的發展，硬體再次成為時尚，在軟體吸引了大部分企業和投資者的興趣之後。我們與終端用戶的討論表明，對雲計算和邊緣解決方案的興趣會很強烈，這取決於用例。鑒於其規模優勢，雲計算將繼續成為許多應用程序的青睞選擇。在雲硬體中，客戶和供應商在圖形處理單元(GPU)方面對特定應用集成電路(ASIC)技術的偏好有所不同，市場可能依然分散。

也就是說，我們還看到，在低延遲或隱私問題至關重要的邊緣，或者連接有問題時，推斷的重要性和日益增長的作用。在邊緣計算，ASIC將贏得消費者空間，因為它們為許多應用提供更優化的用戶體驗，包括更低的功耗和更高的處理能力。企業優勢將看到現場可編程門陣列，GPU和ASIC技術之間的良性競爭。然而，由於ASIC具有出色的每瓦性能，因此ASIC可能具有優勢，這在性能上至關重要。我們認為，當需求水平足夠強勁以證明其高昂的開發成本時，他們可以支配特定的企業應用。

6.市場正在騰飛 —— 企業需要立即採取行動，重新評估現有戰略

雖然科技公司可能不知道人工智慧需求是如何演變的，但他們認識到了DL內部的巨大機遇，並希望獲得它。隨著技術的不斷發展，以及多個參與者實施截然不同的策略，成功的秘訣仍不確定。

大公司已經開始採取行動，主要業務方向與當前的智能背道而馳。僅舉一個例子，英偉達在2012年至2016年每年將AI的研發支出增加了約8%，達到13億美元(圖表5)。這些成本約佔英偉達總收入的27%，遠高於同行平均值15%，這表明英偉達願意採取與許多正在積極削減研發支出的半導體公司不同的途徑。英偉達還採取了大量措施，創建專註於GPU的端到端產品生態系統。該公司正在積極地為開發人員提供使用DL的GPU所需的技能，資助初創公司擴大DL的GPU使用範圍，形成合作夥伴關係以創建包含其產品的端到端解決方案，並增加GPU驅動應用程序的數量。其他遵循這種非常規策略的公司也可以獲得特殊回報。

英偉達的成功表明，科技公司不會通過維持現狀贏得AI。 他們需要現在修改他們的策略，並且需要大量的投注來開發可靠的AI產品。 由於面臨如此多的風險，企業無法承擔獲取價值的模糊或暫定計劃。

如果公司等待兩到三年才能建立人工智慧戰略並押注，我們認為他們不可能在這個快速發展的市場中重新獲得動力。 大多數企業都知道其價值並願意開拓進取，但他們缺乏強有力的戰略。 我們在這裡概述的六個核心理念可以指引他們朝著正確的方向前進，並讓他們走向一個堅實的開始。關鍵問題是哪些參與者會在機會之窗關上之前朝著這個方向前行。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！